.svg)
AI 솔루션 문의하기
라이다 센서는 빛을 쏘아 반사되어 돌아오는 시간을 측정해 주변 공간을 수많은 점의 집합으로 담아내며, 이 점군 자료는 색이나 질감 없이 거리 정보만을 담고 있어 카메라로 찍은 평면 영상과는 전혀 다른 방식으로 라벨링해야 합니다. 점군 자료가 색과 질감 정보 없이 거리만을 담고 있다는 특성을 고려하면 물체의 형태와 위치를 3차원 공간 안에서 구분해 표시하는 라벨링 방식이 필요하며, 평면 영상에 익숙한 방식을 그대로 적용하기는 어렵습니다.
비나 눈이 내리는 상황에서는 라이다가 쏘아 보낸 빛이 빗방울이나 눈송이에 부딪혀 실제 물체가 아닌 곳에서도 점이 찍히는 잡음이 발생할 수 있습니다. 날씨로 인해 발생한 잡음 점과 실제 물체를 나타내는 점을 구분해 표시하는 라벨링 기준을 마련하고, 다양한 강도의 비와 눈 상황에서 수집한 자료를 함께 확보한다면 궂은 날씨에서도 실제 장애물을 놓치지 않고 인식하는 학습 근거를 마련할 수 있습니다.
라이다는 유리처럼 투명한 표면이나 물웅덩이처럼 매끄러운 표면을 만나면 빛이 정상적으로 반사되지 않아 실제로는 없는 위치에 물체가 있는 것처럼 잘못된 점이 찍히거나, 반대로 실제 장애물을 놓치는 경우가 있습니다. 투명하거나 반사가 심한 표면에서 수집된 왜곡된 점군 자료를 별도로 확보해 라벨링에 포함한다면 이런 표면을 마주쳤을 때 나타나는 오류 유형을 모델이 미리 학습할 수 있는 기반이 마련됩니다.
라이다로 촬영한 점군은 가까운 거리에서는 점이 촘촘하게 찍히지만 멀리 떨어진 물체일수록 점의 수가 줄어들어 형태를 알아보기 어려워지는 특성을 가지고 있습니다. 거리 구간별로 점의 밀도가 달라지는 상황을 반영해 가까운 거리와 먼 거리에 각각 맞는 라벨링 기준을 마련한다면 점이 드문 먼 거리의 물체도 놓치지 않고 인식하는 능력을 학습에 반영할 수 있습니다.
인도를 오가는 배송로봇은 도로 위를 달리는 차량과 달리 연석의 높이를 가늠해 오를 수 있는 턱인지 넘을 수 없는 장애물인지를 판단해야 합니다. 연석과 계단, 낮은 턱처럼 높이가 서로 다른 지형 요소를 세밀하게 구분해 라벨링하고 각 높이에서 로봇이 실제로 오를 수 있는지 여부를 함께 표시한다면 인도 위의 다양한 높이 변화에 맞추어 이동 가능 여부를 판단하는 학습 근거가 마련됩니다.
인도에는 반려동물이나 유모차, 다른 배송로봇처럼 크기가 작고 움직임을 예측하기 어려운 대상이 자주 나타나며, 이런 대상은 점군 자료에서 차지하는 점의 수가 적어 놓치기 쉽습니다. 작은 크기의 다양한 인도 위 대상을 폭넓게 확보해 라벨링에 포함하고 이런 대상이 나타내는 점군의 패턴을 세밀하게 표시한다면 크기가 작아 놓치기 쉬운 장애물도 안정적으로 인식하는 데 도움이 됩니다.
배송로봇은 라이다와 카메라를 함께 탑재해 서로의 정보를 보완하는 경우가 많으며, 두 센서의 자료를 함께 활용하려면 같은 위치와 시점을 가리키는 자료끼리 정확히 맞물려야 합니다. 라이다의 점군과 카메라 영상을 같은 좌표계로 정렬한 이후 함께 라벨링하는 절차를 마련한다면 두 센서의 정보를 종합적으로 활용해 라벨링의 정확도를 높일 수 있습니다.
라이다는 빛의 밝기에 의존하지 않고 스스로 빛을 쏘아 거리를 측정하는 방식이어서 야간에도 비교적 안정적으로 작동하는 특성을 가지고 있습니다. 야간에 수집한 점군 자료를 낮 시간 자료와 함께 확보해 학습데이터에 포함한다면 조명이 부족한 환경에서도 라이다가 지닌 장점을 살려 안정적인 인식 능력을 유지하는 데 참고가 됩니다.
.svg)
.svg)
